L'intelligence artificielle dans la santé, qu'est-ce que c'est ?

L'intelligence artificielle (IA) dans la santé est un terme générique qui décrit l'utilisation d'algorithmes entraînés par apprentissage automatique (AA) dans trois domaines majeurs du secteur médical : l'application des soins (scientifiques), la prestation (prestataires) et la consommation (organismes payeurs).

Grâce aux progrès réalisés dans l'AA algorithmique, il est désormais possible d'appliquer l'intelligence artificielle à davantage de cas d'utilisation dans le secteur de la santé qu'avec les anciennes technologies d'IA réactives. Ces avancées peuvent jouer un rôle considérable dans la transformation et la modernisation du secteur médical. 

Découvrir Red Hat AI

Avant d'analyser les données médicales et d'agir en conséquence, il faut pouvoir y accéder et les exploiter. Une fois qu'un modèle est entraîné avec suffisamment de données, l'inférence peut être exécutée dans de nouvelles configurations. L'inférence d'IA est la phase d'exploitation durant laquelle le modèle applique ce qu'il a appris au cours de son entraînement à des situations réelles. Ce n'est qu'ainsi que l'on obtient des applications plus performantes et plus efficaces dans les services de santé.

Il existe quatre grands types d'IA :

• IA réactive : technologie qui ne s'appuie pas sur l'apprentissage automatique pour s'améliorer. Elle réagit exactement de la même manière chaque fois qu'elle rencontre une situation identique.
• IA à mémoire limitée : technologie qui utilise l'apprentissage automatique pour créer des algorithmes basés sur les performances passées. C'est dans cette catégorie que se produisent la plupart des progrès actuels en matière d'IA. On parle aussi d'IA/AA. L'apprentissage profond est un sous-ensemble de l'apprentissage automatique qui implique plusieurs niveaux d'analyse et permet d'extraire davantage d'informations exploitables à partir des données brutes.
• IA basée sur la théorie de l'esprit : technologie capable de comprendre et mémoriser des émotions, pour interagir ensuite avec les utilisateurs. Pour l'heure, ce type d'IA en est encore à ses balbutiements et reste très théorique.
• IA consciente ou « véritable » : technologie capable de reconnaître ses propres émotions et qui présente un niveau de conscience semblable à celui d'un être humain. Cette technologie reste aujourd'hui purement théorique.

L'IA dans la santé fait essentiellement référence aux progrès rapides des applications et des algorithmes basés sur l'IA à mémoire limitée.

En savoir plus sur l'IA pour les entreprises

Les nouvelles avancées en matière d'IA peuvent considérablement améliorer l'état des patients en permettant aux médecins et aux autres professionnels de santé de réaliser des diagnostics et des plans de traitement plus précis. Ces avancées peuvent également aider les équipes d'administration à allouer des ressources médicales de manière plus précise.

Les trois piliers du secteur médical (les scientifiques, les prestataires et les organismes payeurs) peuvent ainsi profiter de bien des avantages. Grâce à la haute efficacité de l'acquisition, de la distribution et de l'exploitation des informations les plus récentes, les médecins peuvent mieux traiter les patients, extraire rapidement des données issues de plusieurs sources pour améliorer la gestion des problèmes de santé, ainsi que prédire ou identifier davantage de nouveaux problèmes ou de nouvelles maladies. 

La meilleure distribution des processus de données permet aux équipes d'administration de hiérarchiser et vérifier plus efficacement les demandes. Elles peuvent aussi rationaliser l'ensemble du processus, avec à la clé une communication plus précise et plus rapide des informations aux patients, aux clients et aux prestataires. Plus globalement, grâce au regroupement des données pour alimenter les algorithmes du secteur de la santé, les risques sont plus prévisibles et les soins proposés sont plus faciles à gérer et à améliorer.

Voici quelques-uns des avantages de l'IA pour les patients, les prestataires de soins et les organismes payeurs :

Accélération des diagnostics
L'utilisation des informations tirées des données par les algorithmes d'IA et des analyses prédictives en temps réel peut accélérer les diagnostics. Les patients peuvent ainsi bénéficier d'un traitement plus rapidement, ce qui améliore leurs résultats et limite les ressources mobilisées pour résoudre le problème. Par exemple, HCA Healthcare, l'un des plus importants prestataires de services de santé aux États-Unis, a utilisé des solutions Red Hat pour créer un système d'analyses prédictives en temps réel afin de détecter plus rapidement et précisément la septicémie, une infection potentiellement mortelle.

Amélioration de la gestion des demandes
Les démarches administratives liées aux demandes et au paiement des soins de santé peuvent représenter des milliers d'heures de travail. Le traitement manuel de chaque demande augmente également le risque d'erreurs, ce qui est préjudiciable à la fois pour le patient et pour le prestataire qui doit tenir ses comptes. L'IA permet d'automatiser le processus et de fournir des recommandations utiles d'après les données relatives à la gestion des demandes. Cette technologie pourrait accélérer le traitement des demandes et améliorer ainsi l'expérience des employés et des clients.

Prévention de la fraude, du gaspillage et des abus
L'automatisation robotisée des processus offre une rapidité et une précision de traitement des documents impossibles à obtenir manuellement. Ces algorithmes, qui détectent les problèmes de plus en plus efficacement à mesure qu'ils s'améliorent, peuvent ensuite signaler les activités frauduleuses ou les ressources gaspillées.

Développement de l'accès aux offres de soins de santé
Grâce aux diagnostics assistés par IA, davantage de patients peuvent bénéficier de soins. Par exemple, avec la radiologie et l'imagerie médicale assistées par IA, un plus grand nombre de professionnels pourraient interpréter les clichés, ce qui diminuerait la pression sur un petit nombre de spécialistes et permettrait à plus de patients de bénéficier de ces technologies.

Développement de médicaments
Le développement d'un nouveau médicament implique de rechercher le dosage optimal et les conditions d'administration. Les outils d'IA computationnelle peuvent améliorer, voire remplacer les approches par tâtonnements, et permettre l'utilisation de modèles plus rapides et plus efficaces pour surveiller le processus dans son intégralité. Ces méthodes favorisent le développement plus rapide de nouveaux médicaments avec à la clé, des économies pour les entreprises pharmaceutiques et les clients finaux.

Si l'IA peut offrir de nombreux avantages dans le secteur de la santé, sa mise en œuvre peut aussi poser des défis complexes, notamment :

Collecte et gestion des données
De nombreux défis se posent lors de la collecte, de l'analyse et de l'utilisation des données de santé.

Pour alimenter correctement les algorithmes pertinents, l'IA doit traiter en temps réel un énorme volume de données. La collecte de données présente donc des difficultés à plusieurs niveaux.

Le matériel, les logiciels et les mécanismes de collecte des données doivent être intégrés aux workflows des soins de santé. Ceux-ci s'appuient sur des structures et des hiérarchies spécifiques, ainsi que sur un certain niveau d'intervention manuelle. Les données de santé sont réparties sur différents réseaux et ne sont pas centralisées dans des bases de données uniques. Parfois, elles ne sont même pas numérisées.

Afin de fluidifier le processus et d'exploiter tout le potentiel de l'IA et de l'AA, toutes les parties prenantes doivent travailler en harmonie : équipes informatiques, de science des données et d'exploitation, professionnels de santé, prestataires, éditeurs de logiciels indépendants (ISV) et autres fournisseurs. Pour relever ce défi, ces parties prenantes peuvent avoir besoin de logiciels agiles et indépendants de tout fournisseur, afin de mieux communiquer les problèmes et d'utiliser des données nettoyées et évolutives, compatibles avec plusieurs solutions d'ISV.

Les données doivent être regroupées et converties dans des formats interopérables et exploitables qui fonctionnent avec les informations recueillies auprès de diverses sources. Il faut une grande quantité de bande passante pour transmettre les données depuis les points du réseau où elles sont collectées, parfois via des appareils d'edge computing. En raison du volume toujours plus élevé de données collectées dans les systèmes de santé, en particulier pour l'imagerie médicale, l'Internet des objets médicaux et l'edge computing, l'espace de stockage augmente à un rythme impressionnant.

Le cloud computing offre à la fois des performances et des capacités élevées pour relever ces défis. Cette approche peut toutefois s'avérer impossible à mettre en œuvre, notamment dans les zones rurales et les régions où les infrastructures informatiques et médicales sont trop fragiles. Il faut donc des solutions économiques qui améliorent les processus d'exploitation à la périphérie du réseau et qui analysent les données sur le lieu des soins.

En savoir plus sur la mise en œuvre de l'IA

Pour réussir le déploiement des charges de travail d'IA à grande échelle, toutes les variables doivent être efficacement coordonnées. Plus précisément, les entreprises ont besoin de serveurs d'inférence capables de prendre en charge des modèles d'IA plus grands (tels que des LLM) et des fonctionnalités d'inférence plus complexes.

Il existe des outils d'IA qui optimisent l'utilisation des ressources pour accélérer la mise à l'échelle :

• llm-d : les instructions génératives des grands modèles de langage (LLM) peuvent s'avérer complexes et hétérogènes. Elles nécessitent, en général, d'importantes ressources de calcul et de stockage pour le traitement de gros volumes de données. Un framework d'IA Open Source comme llm-d permet aux équipes de développement d'utiliser des techniques telles que l'inférence distribuée pour répondre aux exigences croissantes des modèles à raisonnement plus grands et sophistiqués (comme les LLM).
• Inférence distribuée : cette approche permet aux modèles d'IA de traiter les charges de travail plus efficacement en répartissant les tâches liées à l'inférence entre plusieurs équipements interconnectés. Les tâches d'inférence sont ainsi allégées.  
• vLLM : sigle anglais de virtual Large Language Model, ou grand modèle de langage virtuel, vLLM est une bibliothèque de code Open Source gérée par la communauté vLLM. Ce framework améliore l'efficacité des calculs des grands modèles de langage (LLM) à grande échelle.

Red Hat AI intègre ces outils et fonctionnalités pour aider ses clients à utiliser l'IA à grande échelle.

Découvrir Red Hat AI

Red Hat AI est une plateforme de produits et de services qui permettent aux entreprises d'avancer dans le déploiement de l'IA, qu'elles soient tout au début du processus ou déjà prêtes à évoluer. Cette offre répond aux besoins en matière d'IA prédictive et générative et convient aux cas d'utilisation propres à chaque entreprise.

Red Hat AI donne accès à la solution Red Hat® AI Inference Server pour optimiser l'inférence des modèles dans le cloud hybride et effectuer des déploiements plus rapides et plus rentables. Basé sur vLLM, ce serveur d'inférence optimise l'utilisation des GPU et diminue les délais de réponse.

En savoir plus sur Red Hat AI Inference Server

Red Hat AI Inference Server comprend le référentiel Red Hat AI, une collection de modèles tiers validés et optimisés, qui favorise la flexibilité des modèles et la cohérence entre les équipes. Grâce à ce référentiel de modèles tiers, les entreprises peuvent réduire le délai de mise sur le marché et éliminer les obstacles financiers qui freinent l'adoption de l'IA.

En savoir plus sur les modèles validés par Red Hat AI